1.一种机器学习叠加训练序列帧同步方法，其特征在于，包括以下步骤：将接收机接收到的发射机采用叠加训练序列方式生成的发射帧信号进行预处理，获得其归一化度量矢量；

将该归一化度量矢量输入训练完成的帧同步网络FSN‑Net中，获得其帧同步估计值，实现帧同步；

将根据帧同步估计值得到的帧同步估计信号输入训练完成的估计与均衡子网络EstEqu‑Net中，获得发射帧信号的估计值；

通过发射帧信号的估计值和叠加训练序列方式，消除叠加训练序列并解调出发射帧信号中的解调数据；

其中，帧同步网络FSN‑Net基于ELM网络模型构建，估计与均衡子网络EstEqu‑Net基于深度神经网络构建；

其中，所述发射帧信号通过叠加训练序列方式获得，如下：x＝αs+(1‑α)c；

其中，α表示叠加因子，由工程经验设定， 表示长度为M的训练序列， 表示长度为M的已调数据序列， 表示M维复数域；

所述归一化度量矢量的获得包括：

S21将两帧相同的训练序列s拼接为长度为2M的双训练序列 如下：S22依次从双训练序列 中截取长度为M的序列，生成截取序列 如下：S23通过互相关处理，得到所述截取序列 和接收信号矢量y的互相关度量Γt，如下：S24收集M个所述互相关度量Γt构成互相关度量矢量γ，如下：T

γ＝[Γ0,Γ1,…,ΓM‑1]，γ满足其中， 表示M维实数域；

S25对所述互相关度量矢量γ进行归一化处理，得到归一化互相关度量矢量 如下：其中，上标T表示转置操作，上标H表示共轭转置操作，||γ||表示度量矢量γ的Frobenius范数；

所述帧同步网络FSN‑Net包括：

1个输入层，1个隐藏层，1个输出层；其中，所述输入层的节点数及所述输出层的节点数均与训练序列长度M相等，所述隐藏层节点数为 其中，m的值根据工程经验设置；

所述隐藏层的激活函数为sigmoid函数；

所述帧同步网络FSN‑Net的训练包括：S31收集Nt个长度为M的接收信号样本序列 并构建样本序列集合S32对样本序列集合 中的每个信号序列 进行如步骤S21‑S25的预处理，得到归一化互相关度量矢量序列 其形成归一化互相关度量集合

S33基于同步偏移值τi,i＝1,2,…,Nt，通过one‑hot编码获得样本序列对应的标签序列Ti,i＝1,2,…,Nt，形成标签集合其中τi可根据统计信道模型或根据实际场景结合现有方法或设备收集得到，标签Ti,i＝1,2,…,Nt通过one‑hot编码得到，如下：S34根据高斯随机分布产生每个归一化互相关度量矢量的权重 和偏置将归一化度量互相关度量矢量 作为帧同步网络FSN‑Net输入层的输入，形成对应标签的隐藏层输出，如下：其中，σ(·)表示激活函数；

S35收集Nt个隐藏层输出，形成输出矩阵H，即：其中，

S36根据隐藏层输出矩阵H和标签集合T，利用下式求得输出权重β：其中， 表示H的Moore–Penrose伪逆；

S37保存模型参数W，b和β，得到训练完成的帧同步网络FSN‑Net；

所述帧同步估计信号的获得包括：

S38收集长度为2M的接收信号样本序列 从序列 的起始点开始，截取长度为M的序列，获得在线接收信号样本序列 根据步骤S21‑S25对yonline进行预处理得到在线归一化度量互相关度量矢量 将 送入帧同步网络FSN‑Net中学习出输出向量 如下：S39找到输出向量O中幅度平方的最大值的索引位置，即帧同步估计值 如下：S310根据帧同步估计值 和接收信号样本序列 获得帧同步估计信号，如下：所述估计与均衡子网络EstEqu‑Net包括：

1个输入层，rH个隐藏层，1个输出层；其中，所述输入层节点数及所述输出层的节点数均与训练序列的长度M相等,所述隐藏层各层节点数依次为l1MD,l2MD,..., li≥2,i＝

1,...,rH，其中，rH≥2；所述隐藏层以Leaky ReLU函数作为激活函数，该估计与均衡子网络EstEqu‑Net的损失函数为均方误差损失函数；

所述估计与均衡子网络EstEqu‑Net的训练包括：将帧同步估计信号 作为训练输入、发射帧信号矢量x作为训练标签的训练集合对网络进行训练，至误差收敛后保存网络模型和参数，得到训练完成的网络；

利用估计与均衡子网络EstEqu‑Net得到的发射帧信号估计值 消除叠加训练序列并解调出发射帧信号中的解调数据 包括：S51将发射帧信号估计值 消除叠加序列得到估计数据序列 如下：其中，α表示叠加因子， 表示长度为M的训练序列；

S52对估计数据序列 解调得到解调数据